Agent時代，為什么多模態數據湖是必選項？

編輯｜冷貓、Panda

「2025 年，注定被銘記為 AI 工業時代的黎明。」

回望這一年，吳恩達教授曾這樣感慨。

這一年，大量企業你追我趕，投身于 AI 應用及 Agent 建設。然而，許多企業或許尚未意識到：如果 AI 競速只停在應用層，可能連這場競爭的「起跑線」都尚未站上。

AI 時代，數智化表面是模型的狂歡，底層是基建的深耕。

唯有能支撐 AI 應用規模化落地的數據基座，才能構筑企業真正的競爭力。

近來， AI 行業普遍認為我們正在進入所謂的「AI 下半場」，而此時行業面臨的一大關鍵問題是「究竟應該讓 AI 去做什么？又該如何衡量真正的進展？」

而這個問題的答案也基本已有共識：要想在這下半場脫穎而出，我們需要及時轉變思維方式，應當用 AI 的思維，把該做的事情重新做一遍。

與上一階段不同，這一階段的企業數據，不再等待人來解讀，而是被模型直接「消費」。

以音頻數據應用為例，AI 時代，音頻數據不應只是一份錄音數據存檔，還應成為可查詢和交互的信息源，比如應該支持查找「錄音中的人是客戶 A ，上周在另一業務有投訴記錄」這類關聯信息。這種跨模態的關聯性，是實現模型復雜推理的基礎。

推及其他行業：

• 在智能駕駛中，道路視頻、點云與傳感器數據需要被實時送入智能體，支撐感知、規劃與異常檢索；
• 在游戲行業，需要將對話、行為與世界觀等多模態數據沉淀為長期記憶，用于沉浸式 NPC 與自動化資產生成；
• 在傳媒行業，需要使用視頻、音頻與用戶互動數據來驅動內容生成與精準分發；
• 在電商領域，商品圖文與交易數據直接喂給模型，實現智能選品與個性化推薦。

因此，對多種模態數據的處理與使用的能力，正在影響各行業商業競爭的形態與上限

接下來的風口要踏在哪里？我們關注到了火山引擎近期發布的《AI 時代企業數據基建升級路線圖》。

它在開篇寫到：AI 時代，數據基建已經成為決定企業競爭高度的戰略資產

筆者深以為然。

企業要發展可以處理多模態數據的底層基建。因為 AI 時代最深的紅利，并不在于「擁有」SOTA 的模型，而在于能否持續「駕馭」并「滋養」它。更進一步，可以說構建多模態數據湖已經成為企業參與這場 Agent 競賽的必選項。

傳統數據湖與多模態數據湖對比，圖像由 AI 生成。

Agent 時代，這是你不能錯過的風口

智能的涌現扎根于堅實、鮮活且可進化的數據土壤。

尤其在 Agent 時代的到來之際，企業競速也正由數據基建分野：領先者正將沉睡的非結構化數據轉化為可用的競爭力，而落后者由于非結構化數據資產仍處于休眠狀態，而只得徘徊在 Agent 應用的起點。

當行業的聚光燈都投向大模型或智能體本身時，真正的競爭已轉入水下，即底層的、支撐多模態數據的數據工程

喚醒數據，化「沉睡庫存」為核心資產

IDC 預測，2025 年企業超過 80% 的數據將是非結構化的。

這些長期堆積的視頻、音頻、圖像和傳感器數據，曾被視為「數字負債」。然而，多模態與大模型技術的成熟，正讓它們煥發前所未有的價值。

以制造業為例，以往無人問津的歷史故障錄像，經大模型解析與標注，即可成為「智能知識庫」。新員工用自然語言提問，便能精準調取同類故障的處理記錄 —— 沉寂數據瞬間轉化為實戰生產力。

本質上，AI 時代的數據基建，正通過向量化等處理能力，讓非結構化數據真正「活」起來，使其從被動存儲的負擔，變為可隨時調用、持續學習的戰略資源。

喚醒這 80% 的數據，是在 Agent 時代構建競爭力的工程前提。

讓數據資產驅動業務，啟動飛輪

強大的數據基建能構建數據、模型與業務深度耦合的閉環，真正「讓模型自主成長」，為 Agent 賦予更多智能。

一個優秀的數據架構，需在企業數據平臺、MaaS（模型即服務）平臺、Agent 開發工具與應用之間建立高效的數據流通管道，否則數據會停留于「孤島」，智能難以落地。

典型的例子是傳統智能客服：盡管不斷采集用戶的語音、文本、截圖與操作軌跡，卻因模型與業務間數據不通，導致客服模型始終重復犯錯、體驗停滯，陷入「千人一面」的困境。

我們發現，火山引擎通過多模態數據湖與 AgentKit、火山方舟等產品的聯動，已驗證了數據、模型、業務打通的可行性。在零售行業中，完善的多模態數據湖不僅能分析銷售報表，還可實時捕捉顧客行為、評論與畫像。這些鮮活數據持續回流，使企業 AI 能力能隨業務不斷演進。

這種「業務滋養模型、模型反哺業務」的閉環，使企業 AI 能力可伴隨業務持續進化，這正因為此，多模態數據湖成為了 Agent 時代構建智能護城河的必選項。

讓業務擁有錨點，獲得未來的確定性

新一代數據基建通過統一的數據與計算底座，以同一平臺支撐多模態數據，并持續適配技術演進。

以某安防企業為例，傳統數據管理體系下，如果從視頻監控擴展至智能識別，往往需為不同算法供應商重建獨立的計算平臺與數據庫，導致內部數據不互通、煙囪林立。巨大的管理和技術成本，會拖累企業創新動力。

而統一的多模態數據湖體系，能以統一元數據管理結構化和非結構化數據，提供面向 AI 的靈活數據集能力，支持數據快速探查與調用。通過標準化存儲與可擴展接口，系統能在上層屏蔽底層模型的頻繁迭代，使數據始終以對模型友好的形態穩定輸入。

這意味著，當該企業未來業務從「視頻監控」拓展至「自動巡檢」、「人流預測」等領域時，可低成本接入新算法模塊，無需顛覆底層架構。

「基建不動，技術常新」，在追求敏捷響應速度的 Agent 時代，這種具備工程確定性的多模態基座正在成為架構的必選項。

升級三部曲：積累，重構，融合

火山的這份「數據基建升級路線圖」之所以值得展開聊聊，是因為它在行業內率先為企業提供了一套從「擁有模型」到「駕馭智能」的數據基建進化藍圖。在 Agent 時代，它為企業提供一套實現多模態數據湖的清晰演進路徑。

這個藍圖可作為重要的參考框架，企業可結合業務特點與發展階段，衍生出適合自身的基建升級路徑，進而在 Agent 時代構筑自己的核心競爭力。

具體而言，火山引擎將企業數據基建的演進分為了三步漸進式過程。

異構算力與分布式引擎階段

這一階段的核心是突破算力瓶頸。為應對大規模數據處理與大模型訓練的需求，傳統僅依賴 CPU 的架構已難以滿足 AI 時代對存儲與計算的高實時性要求。企業需轉向為 AI 任務量身打造的 CPU+GPU 異構架構，實現靈活調度。

這一階段的核心目標是：數據「進得來，跑得快」，并原生支持 AI 服務。在異構算力的支撐下，企業能在技術快速迭代中平衡性能與成本，真正讓算力服務于業務與模型增長。整體來說，這一階段可為多模態數據湖這一必選項提供堅實的物理支撐。

模型即引擎與多模態重構階段

在算力基礎就緒后，需進一步推動數據基建與 AI 的深度融合。本階段的關鍵在于將預訓練大模型嵌入數據流水線，實現文本、圖像、音頻等多模態數據向統一語義向量與高價值知識標簽的自動轉換。

Agent 時代，數據價值不在于「存量」，而在于能被 AI 調用的「流量」。通過向量化處理，企業的多模態資產第一次真正實現通用「可讀、可感、可交互」。該過程直接發生于數據基建層，從源頭確保企業數據對大模型友好，使其可隨時被檢索、推理與學習，賦能全感官業務洞察。

因此，這一階段可使多模態數據湖成為 Agent 識別與推理的邏輯重心，進一步確立了其作為基建必選項的地位。

全域數據治理與平臺融合階段

目標是在管理層面對數據資產進行統一管控，推動全域數據的治理、價值激活與安全合規。

這意味著 AI 能力可深度融入每一條業務流程，激活分散在不同系統與形態中的數據資產，并將其持續轉化為增長動能。統一的數據治理體系不僅能顯著降低安全與合規風險，還可大幅提升數據復用效率，助力企業將技術優勢系統化、可持續地轉化為長期競爭力。

這一階段標志著多模態數據湖從單一的技術底座演變為全域的智能中樞，完成了其作為 Agent 時代必選項的最后拼圖。

Agent 時代數據基建的選型指南

國內云廠商都在積極擁抱 Agent 時代的技術升級，從各大廠商的進度來看，對多模態數據的「存、算、管」重視度在持續提升。其中，我們觀察到火山引擎「多模態數據湖」在行業內的進展最快，能夠提供數據統一入湖與治理能力，在算子體系、性能優化、異構算力調度以及與大模型生態的無縫協同方面形成了更完整的一體化方案。

同時通過觀察行業內其他廠商面向多模態數據的方案方向，我們也在思考：AI 和 Agent 時代的企業需要的數據基建，到底應該是什么樣的？

綜合起來，我們認為企業應將以下特質列為 AI 數據基建的必選項。

從「存儲中心」到「價值中心」

在 AI 浪潮下，企業首先撞上的，是數據體系的根本性變革。

一方面，數據規模動輒 PB 級，非結構化格式復雜，處理流程高度碎片化，還要同時承載 CPU + GPU 混合負載與復雜作業調度；另一方面，大量數據分散存儲、難以統一檢索，無法被模型高效消費，數據準備周期越來越長，成本卻持續上升。

真正有價值的數據，是能被快速獲取、被模型理解、能轉化為 Token 并直接參與推理與訓練的數據。而那些無法被向量化、無法進入模型工作流的數據，正在從資產變成沉重的存儲負擔。

AI 時代的數據底座，是從「存儲中心」轉向「價值中心」的底座。

業務優先，回歸實用主義

在技術變革快速的當下，除去技術復雜性之外，企業更大的挑戰是：數據基建與業務脫節。

當前很多企業同時面臨多模態數據分散、訓練與生產割裂、血緣與版本缺失、質量評估與數據反饋閉環不足的問題。結果是數據冗余高、問題排查難、準備周期長，而業務決策卻越來越依賴實時與精準。

在這種背景下，盲目堆算力、追求極限性能，反而成了負擔。AI 時代最昂貴的基建，是那些無法轉化為業務價值的閑置能力。

衡量一套數據基建是否先進，在于它是否能以最低成本、最快速度完成從數據輸入到業務決策的閉環，并持續驅動數據飛輪運轉。

開放解耦，對沖未來不確定性

隨著模型與技術路線持續快速更迭，企業面臨的另一項長期風險正在顯現：如果數據基建隨模型變化不斷重構，系統將永遠處于遷移與動蕩之中。

在多模態數據規模持續膨脹、合規與安全要求不斷提高的背景下，這種反復重構的代價幾乎不可承受。

因此，解耦與開放的能力決定了成為企業的「生存能力」。通過模塊化、可替換的數據與 AI 基礎設施，企業才能在模型更替、技術躍遷時實現平滑升級，既保持系統穩定，又持續吸收新能力，將技術不確定性轉化為長期競爭力。

在 AI 時代，模型會不斷過時，真正具有長期價值的，只有數據資產與承載它的基礎設施彈性。

這使得多模態數據管理必須從「存得全、存得久」升級為「取得快、讀得懂」的針對業務模式的系統性工程。

我們觀察到火山引擎多模態數據湖有一個非常有意思的理念。

其提出了「樂高式」可組合底座的觀點，與其他云廠商的解決方案大相徑庭。這種方式支撐企業以樂高積木般靈活、高效的方式，自主構建上層應用與智能體。

在這種框架下，企業可以根據現有的技術情況，選擇漸進式的解決方案，同時可以模塊化設計數據與智能架構，結合自身業務來進行組合式的升級，方案完全「量身定做」。

從行業視角看，這一設計理念呼應了企業長期的 AI 戰略 —— 讓數據基礎設施具備持續演進的能力，使企業在快速迭代的技術環境中，始終擁有自主調整與進化的空間。

目前火山的多模態數據湖，已經在智駕、游戲、傳媒等多個行業落地。

• 在某智駕企業的模型訓練中，該方案可在 150–200 毫秒內完成 12 億級別數據的「以圖搜圖」，性能提升20 倍以上；
• 某游戲企業在 AI NPC 模型訓練過程中，音視頻數據加工效率提升50%
• 應用于某頭部傳媒企業的媒資平臺后，其內容生產與運營效率提升90%

這些實踐表明了采用多模態數據湖的必要性，同時也揭示出：AI 和 Agent 時代，用好多模態數據，可以激發出推動企業智能化躍遷的潛能。千行百業，都值得以此為起點，探索數據基建的更多可能，擁抱智能時代的風口。

結語

當下，企業正站在一場深刻技術變革的洪流之中。

AI 落地的前提，是多模態數據處理走向標準化與智能化。對堅定投身于 AI 浪潮的企業來說，在見證大模型所帶來的能力飛躍的同時，更應關注到多模態數據管理作為基礎設施的必要性。

構建能夠支撐未來十年 AI 發展的數據基座，是這場變革中最應錨定的重心。

對企業而言，多模態數據湖的意義遠不止步于一套數據架構。它是承載 AI 應用持續演進的土壤，是企業在技術紅利窗口期建立確定性的基礎。

是的，正如我們已經在文中多次強調的那樣：多模態數據湖已經不再只是可有可無的優化項，而是企業進入智能賽道的必選項。

它賦予企業的，是在 Agent 時代中「以靜制動」的底氣，也是在變革中持續進化的能力。